DALL-E tasvir yaratish modeli

DALL-E
Скриншот программы DALL-E
Turi neyron tarmoq
Muallif
Ishlab chiquvchi OpenAI
Interfeys tillari ingliz tili
Chiqarilgan sana 5-yanvar 2021-yil
Veb-sayt openai.com/index/dall-e-…
Логотип Викисклада Vikimedia omboridagi mediafayllar

DALL-E — neyron tarmoq, uni OpenAI kompaniyasi Microsoft kompaniyasining moliyaviy ko‘magida yaratgan. Bu tarmoq ingliz tilidagi matnli tavsiflar asosida yuqori sifatli tasvirlar hosil qila oladi. Bir qator ommaviy axborot vositalari va maʼlumotlarni tahlil qilish bo‘yicha mutaxassislarning taʼkidlashicha, ushbu neyron tarmoq neyron tarmoqlar sohasida muhim yutuqqa erishgan.

Tarixi

2019-yilda OpenAI kompaniyasi Microsoft’dan 1 mlrd $ miqdorida grant olib, uni sunʼiy intellekt sohasidagi innovatsion texnologiyalarni ishlab chiqishga yo‘naltirdi. Tasvirlar yaratish uchun moslashtirilgan GPT-3 modelidan foydalanadigan neyron tarmoqning birinchi versiyasi 2021-yil 5-yanvarda ommaga taqdim etildi.

2022-yil 6-aprelda DALL-E 2 eʼlon qilindi. Dasturning yangi versiyasida fotorealistik tasvirlar yaratish algoritmlari takomillashtirildi, shuningdek, ilova bilan ishlash jarayonida tasvirlarga o‘zgartirish kiritish imkonini beruvchi tahrirlagich yaratildi. Neyron tarmoq imkoniyatlarini Cosmopolitan jurnali namoyish etib, DALL-E 2 yordamida o‘z sonlaridan birining muqovasini yaratdi.

2023-yil 21-sentabrda OpenAI DALL-E 3 versiyasini taqdim etdi. U ChatGPT bilan birlashtirilishi, foydalanuvchi so‘rovlarini yaxshiroq tushunishi va batafsilroq tasvirlar yaratishi eʼlon qilindi. Ushbu versiya oktabr oyida ChatGPT Plus va Enterprise pulli obunalari doirasida hamda API orqali foydalanishga taqdim etilishi belgilandi.

2024-yil aprel oyida OpenAI DALL-E 2 faoliyati to‘xtatilishini eʼlon qildi, vaholanki xizmat amalda qish oxiridayoq ishlashdan to‘xtagan edi.

Arxitekturasi

DALL-E maʼlumotlarni talqin qilish va ular asosida tasvir yaratish uchun 12 milliard parametrli GPT-3 modelidan foydalanadi. GPT-3 modelining o‘zi OpenAI tomonidan 2018-yildayoq chuqur neyron tarmoqlarning transformer arxitekturasi asosida ishlab chiqilgan. Shunday qilib, DALL-E internet maʼlumotlari yordamida o‘qitiladigan, 12 milliard parametrga ega GPT-3 modelining multimodal ko‘rinishidir.

DALL-E dastlab so‘rovga javoban tasvirlar yaratadi, CLIP (Contrastive Language-Image Pre-training) esa alohida model sifatida hosil qilingan tasvirlarning mazmunini baholaydi va ularni moslik darajasiga ko‘ra saralaydi. CLIP modeli 400 millionta tasvir va matn juftligi asosida o‘qitilgan. Shu tufayli u so‘rovga eng mos keladigan tasvirlarni maʼlum darajada muvaffaqiyatli aniqlaydi va yaratilgan tasvirlarni matnli tavsifga o‘xshashlik darajasi bo‘yicha tartiblaydi.

Tavsifi va xususiyatlari

DALL-E fotorealistik tasvirlardan tortib rasmlar va emojilargacha bo‘lgan turli uslublarda tasvirlar yarata oladi, ulardagi obyektlarni ko‘chirishi va o‘zgartirishi mumkin. Yaratuvchilari qayd etgan imkoniyatlardan biri — aniq ko‘rsatmalar berilmasa ham, dizayn elementlarini yangi kompozitsiyalarda to‘g‘ri joylashtira olishidir: «Masalan, undan daykon turpining burnini qoqayotgani, latte ichayotgani yoki bir g‘ildirakli velosipedda ketayotganini chizish so‘ralganda, DALL·E ko‘pincha ro‘molcha, qo‘llar va oyoqlarni ishonarli joylarga chizadi». Sunʼiy intellekt sohasidagi ushbu yutuq va tasvirlarning realligini turli nufuzli nashrlar, jumladan, Input, NBC, Nature, Wired, CNN va BBC ham eʼtirof etgan. Mutaxassislar uchun, ayniqsa, sunʼiy intellektda vizual fikrlashga oid ayrim ko‘nikmalar paydo bo‘lgani va ular yordamida uning Raven testidan o‘ta olgani qiziqarli bo‘lgan. Mazkur test inson intellektini baholash uchun yaratilgan.

DALL-E turli ko‘rinishdagi tasvirlarni yaratishga mo‘ljallangan barqaror va nihoyatda ishonchli neyron tarmoq sifatida tavsiflanadi. Sem Shed CNBC uchun tayyorlagan reportajida tasvirlarni «qiziqarli» deb atadi va Kembrij universitetining mashinaviy o‘rganish professori Nil Lourensning fikrini keltirdi. Lourens buni «ushbu modellarning dunyomiz haqidagi maʼlumotlarni saqlash va ularni insonlar uchun tabiiy bo‘lgan usullarda umumlashtirish qobiliyatining ilhomlantiruvchi namoyishi» deb baholagan. Shed, shuningdek, Jorjiya texnologiya institutining Interaktiv hisoblash maktabi dotsenti Mark Ridlning fikrini ham keltirgan. Ridl DALL-E namoyishi natijalari tizim «tushunchalarni izchil birlashtira olishi»ni ko‘rsatganini aytib, «DALL-E namoyish versiyasi so‘nggi bir necha yil ichida men ko‘rgan boshqa Text2Image tizimlariga qaraganda ancha mantiqan bog‘langan illyustratsiyalar yaratishi bilan eʼtiborga loyiq», degan. BBC ham Ridlning tizim imkoniyatlaridan «hayratga tushgani» haqidagi so‘zlarini keltirgan.

Adabiyotlar

  • Yens Knappe: «Ibtido. Sunʼiy intellekt bilan hamkorlikdagi yaratilish tarixi» (Genesis. A Creation Story in Cooperation with an Artificial Intelligence), Berlin, 2022, ISBN 978-3-940948-45-8.